twl

随着大语言模型（LLM）在应用开发中的广泛应用，如何让 AI 安全、可控地生成用户界面成为一个技术挑战。本文深入解析 Vercel 开源的 json-render 框架，探讨其"护栏机制"设计思路。

本文深入剖析 Vercel Labs 开源的 agent-browser 项目，从架构设计、核心技术实现到最佳实践，全面解读这款专为 AI Agent 设计的无头浏览器自动化 CLI 工具。

用子代理：需要独立推理、上下文隔离、并行处理的场景 用技能：需要特定领域知识、固定操作流程、可复用的专业功能

最近在看 Claude Agent SDK, 里面特别提到了 Hooks，有各种各样的 Hooks,思考为什么这样设计，于是总结了下 Hooks、Plugins、Middleware的差异。

SWE-bench 是第一个大规模、可自动评测的“真实软件工程任务”基准. Claude Opus 4.5 和 GPT-5.2-Codex 是当前 SWE-bench 最高水平的模型.

不把事情真的交给工具，模型只能在 context 里“脑补”，既费 token 又不准。 Skills 把能力变成“可按需加载的外部模块”，context 只承担“索引和当前任务”的角色。

对比“不用 Bash” vs “用 Bash”时，大模型解决同一个问题的方式差异，核心想说明的是让模型把“思考 + 执行”交给真实工具（如 Bash），可以避免胡编、提高准确性和可复现性。

两张图说清楚Agent RAG 如何从理论到落地的详细流程。概念级流程图”落实成“可执行 Agent / Graph 工作流”的实现版。

用最清晰、最准确的方式解释 Skills 和 MCP（Model Context Protocol） 的区别，让你快速分辨两者各自负责什么。